Kort antwoord: u zou vrijwel zeker geen model op uw bedrijfsdata moeten trainen, en het is ook niet nodig. Trainen is maar één van de vier manieren om AI met uw eigen informatie te laten antwoorden, en voor een bedrijf van 20 tot 50 medewerkers meestal de slechtste. De andere drie zijn goedkoper, binnen minuten aan te passen in plaats van weken, en verouderen niet zodra uw prijslijst verandert.
Dit is de vraag die wij het vaakst krijgen van Nederlandse mkb-bedrijven, en hij wordt bijna altijd in de verkeerde vorm gesteld. Hieronder: de vier mechanismen in gewone taal, wat ze werkelijk kosten tegen de lijstprijzen van augustus 2026 met alle aannames erbij, en een keuzeregel die uitgaat van de plek waar uw informatie écht staat — en dat is in Nederland zelden waar de internationale handleidingen veronderstellen.
Wat betekent ‘AI trainen op eigen data’ eigenlijk?
Vier verschillende dingen krijgen deze naam, en de verwarring daartussen kost het meeste geld:
- Context. U plakt de relevante tekst in de prompt. Nul engineering, direct aan te passen, begrensd door hoeveel u kunt plakken en door wie eraan denkt om het te doen.
- Retrieval (RAG). U houdt een doorzoekbare kopie van uw documenten bij. Bij elke vraag zoekt het systeem de meest relevante passages en zet die in de prompt. Het model onthoudt niets; het leest een briefing die per vraag wordt samengesteld.
- Tool calling. U geeft het model toestemming om het live systeem te bevragen: uw ERP, uw boekhoudpakket, uw ticketsysteem. Het leest geen kopie, het vraagt het aan het systeem dat de gegevens beheert.
- Fine-tunen. U past de gewichten van het model aan met voorbeelden van de gewenste uitvoer. Alleen dit is echt trainen.
De vuistregel die de praktijk heeft opgeleverd, en de enige die u hoeft te onthouden: retrieval en tools zijn voor kennis die verandert, fine-tunen is voor gedrag dat juist niet mag veranderen. Feiten horen bij de eerste twee. Vorm, toon en uitvoerformaat horen bij de derde. Gebruikt u fine-tunen om feiten in te bouwen, dan krijgt u een model dat de prijzen van vorig jaar vloeiend en overtuigd opnoemt — en dat u opnieuw mag trainen zodra de prijslijst wijzigt.
Waar staat uw bedrijfskennis eigenlijk?
Vrijwel elke handleiding over dit onderwerp gaat ervan uit dat uw kennis een stapel documenten is, omdat dat in de Amerikaanse middenmarkt meestal klopt: een SharePoint-schijf, een wiki, een map met pdf’s. In het Nederlandse mkb ligt het zwaartepunt ergens anders, en dat verandert het juiste antwoord.
De Nederlandse backoffice draait op Nederlandse software. Exact Online is in de kern een boekhoudpakket dat bedrijven met modules uitbreiden en dat diep verankerd zit in de accountancy; AFAS is een bredere geïntegreerde suite waarin financiën, hr, salaris en werkprocessen in één systeem samenkomen; e-Boekhouden bedient het kleinere segment. In alle drie de gevallen is datgene waarover u AI vragen wilt laten beantwoorden — wat hebben we deze klant gefactureerd, welke orders staan open, wie zit op welk project, wat is onze marge op dit artikel — geen document. Het is een regel in een database met een API ervoor.
Dat onderscheid bepaalt de architectuur. Een vraag waarvan het antwoord als feit in een administratie staat is een query, geen zoekopdracht. Een vector-database bouwen over geëxporteerde rapportages, zodat een model bij benadering een getal kan reproduceren dat het ERP exact kent, is de duurste standaardfout in deze categorie. Het is trager, het veroudert, en het maakt van een exact antwoord een waarschijnlijk antwoord. Wij schreven eerder over AI koppelen aan Exact, AFAS en e-Boekhouden en wat die API’s wel en niet teruggeven.
Voor Vlaamse lezers geldt dezelfde logica met een andere leveranciersmix: het principe gaat over waar de registratie staat, niet over welk Nederlands pakket haar bevat.
Wanneer is retrieval wél het juiste antwoord?
Retrieval verdient zichzelf terug wanneer de kennis echt geschreven tekst is die een mens zou moeten lezen: montagehandleidingen, contracten en algemene voorwaarden, beleidsstukken, aanbestedingsteksten, oude offertes, servicerapporten in vrije tekst. Er is geen regel in Exact die antwoord geeft op “wat dekt onze garantie precies bij dit model”. Er is een document, en dat is 40 pagina’s lang. Komt u zover, dan is de vervolgvraag welke smaak retrieval, en daarvoor hebben wij een beslissingskader RAG versus GraphRAG geschreven.
Drie dingen onderscheiden een retrieval-systeem dat het contact met gebruikers overleeft van een demo die in maart indruk maakte:
- Rechten zitten in het zoekfilter, niet in de prompt. Mag een verkoper geen hr-dossiers zien, dan mag de zoekopdracht ze nooit teruggeven. Het model instrueren er niet over te praten is geen toegangsbeveiliging.
- Actualiteit heeft een eigenaar. Een documentindex die wordt bijgewerkt ‘als iemand eraan denkt’ wordt stilletjes onjuist, en dat is erger dan hardop onjuist.
- U hebt een testset. Dertig echte vragen met afgesproken juiste antwoorden, opgeschreven vóór de bouw. Zonder testset betekent ‘het werkt’ alleen ‘de drie vragen die wij probeerden werkten’.
Wat kost de kortste route via lange context echt?
Omdat de huidige topmodellen ongeveer een miljoen tokens invoer aankunnen, ligt een verleidelijke sluiproute klaar: sla retrieval over en plak de hele kennisbank in elk verzoek. In een demo werkt dat. Zo rekent het uit in productie, met alle aannames expliciet zodat u uw eigen cijfers kunt invullen.
Neem een bedrijf van 40 medewerkers met een interne assistent, 15 vragen per medewerker per werkdag, dus ruwweg 13.000 vragen per maand. De kennisbank telt 800 documenten van gemiddeld 1.000 tokens: samen 800.000 tokens, wat inderdaad in een venster van een miljoen past. Antwoorden zijn gemiddeld 600 tokens. De prijzen zijn de lijstprijzen van augustus 2026 voor een productiemodel uit het middensegment: ongeveer $2 per miljoen invoer en $12 per miljoen uitvoer, waarbij verzoeken met lange context tegen het dubbele invoertarief worden afgerekend en gecachete invoer tegen tien procent van het geldende invoertarief.
- Alles meesturen, elke keer: 800.000 tokens tegen het lange-contexttarief van $4 per miljoen is $3,20 per vraag aan invoer alleen, maal 13.000 vragen ≈ $41.600 per maand. Dat is het getal dat de demo niet laat zien.
- Alles meesturen, met prompt caching: gecachete invoer tegen $0,40 per miljoen brengt dezelfde vracht op circa $0,32 per vraag aan invoer alleen ≈ $4.160 per maand, plus een opslag telkens wanneer de cache verloopt.
- Alleen ophalen wat relevant is: acht passages plus instructies is ongeveer 7.500 invoertokens, zo’n $0,015 per vraag, plus $0,007 uitvoer ≈ $290 per maand, plus embeddings en het hosten van de index.
Een factor 140 verschil tussen de eerste en de derde optie, bij identieke vragen en dezelfde documenten. Twee eerlijke kanttekeningen. Ten eerste loont Anthropic-achtige prompt caching alleen als hetzelfde begin van de prompt binnen de geldigheidsduur opnieuw wordt gebruikt — een cache van vijf minuten of een uur blijft warm bij 600 vragen per dag en is vrijwel nutteloos bij 30. Ten tweede zijn dit API-lijstprijzen en die bewegen: controleer de actuele prijspagina’s van de leveranciers voordat u er een businesscase op bouwt, en bedenk dat tokenkosten in een mkb-AI-project zelden de grootste post zijn. Wat een project werkelijk kost is een andere vraag, die wij apart beantwoorden.
Wanneer moet u wél fine-tunen?
Fine-tunen is het juiste gereedschap in drie situaties, en ‘het model kent onze producten niet’ hoort daar niet bij.
De eerste is uitvoervorm: elk antwoord moet steeds dezelfde structuur, toon of opmaak hebben en met prompten blijft het afdrijven. De tweede is distillatie voor kosten: u hebt een smalle taak met groot volume waarin een topmodel goed presteert, en u wilt dat een klein afgestemd model dat evenaart tegen een fractie van de kosten per aanroep. De derde is een werkelijk eigenzinnig vakjargon dat basismodellen structureel verkeerd gebruiken.
Die versmalling is niet alleen onze mening. In mei 2026 begon OpenAI zijn selfservice-platform voor fine-tunen af te bouwen: nieuwe organisaties konden geen trainingsopdrachten meer aanmaken, bestaande klanten verliezen die mogelijkheid op 6 januari 2027, en al afgestemde modellen draaien nog slechts tot hun basismodel verdwijnt. De opgegeven reden: huidige basismodellen volgen instructies en opmaak goed genoeg, waardoor werken via de prompt goedkoper en sneller is. De grootste aanbieder van gesloten modellen stapte uit gehost fine-tunen omdat het meeste waarvoor het werd gebruikt niet langer nodig bleek — precies het argument hierboven, gemaakt door de partij met het minste belang erbij.
In de praktijk is het fine-tunen dat voor een mkb-bedrijf de moeite waard is een dunne adapter (LoRA of QLoRA) bovenop een sterk basismodel, náást retrieval en niet in plaats daarvan. Het gedrag komt uit de adapter, de feiten komen uit retrieval. Stelt iemand fine-tunen voor als de manier om het model ‘uw bedrijf te laten kennen’, dan is dat het moment om te vragen welke van deze drie situaties van toepassing is.
Hoe kiest u, in één ronde?
Neem de tien vragen die u het liefst beantwoord ziet en sorteer ze:
- Het antwoord is een feit uit een systeem → tool call. Geef het model drie of vier benoemde, gevalideerde bewerkingen op het ERP of boekhoudpakket, geen databasedump. De MCP-specificatie van 28 juli 2026 maakte dit leidingwerk stateless en gewoon, en dat is precies het punt waarop het geen specialistenproject meer is maar een normale AI-agent laten bouwen.
- Het antwoord staat in lopende tekst → retrieval. Handleidingen, contracten, beleid, eerdere offertes.
- Er is geen antwoord, alleen een vereiste vorm → dun fine-tunen, of eerst de prompt verbeteren.
- U wilt redeneren over één heel document → lange context, geen retrieval. Eén aanbesteding van 200 pagina’s doornemen is precies waar dat grote venster voor is.
- Minder dan tien vragen, af en toe gesteld → plak de context erbij. Niet elk probleem verdient een architectuur.
De meeste bedrijven van 20 tot 50 medewerkers ontdekken dat zes of zeven van hun tien vragen in de eerste categorie vallen, één of twee in de tweede, en geen enkele in de derde. Dat is geen tegenvaller. Het betekent dat het werk een integratieproject is met een taalmodel eraan vast, en dat is veel voorspelbaarder te begroten, goedkoper te draaien en veel makkelijker juist te houden dan een model dat is aangeleerd om dingen te onthouden.
Wat moet er kloppen voordat dit überhaupt werkt
Drie voorwaarden, in volgorde. Iemand is eigenaar van de gegevensbron en kan zeggen wat leidend is als twee systemen elkaar tegenspreken — en nee, u hebt niet eerst een datawarehouse nodig. De toegangsregels staan op papier vóórdat er iets geïndexeerd wordt, want rechten achteraf toevoegen aan een draaiende assistent is pijnlijk en onder de AVG ongemakkelijk; een kort AI-beleid opstellen is de goedkoopste manier om dat te regelen. En u hebt die testset: de vragen, de afgesproken antwoorden en een getal dat u kunt zien bewegen.
Eén geruststelling die de angst achter de oorspronkelijke vraag wegneemt: op de zakelijke en API-abonnementen van de grote aanbieders worden uw prompts en bestanden standaard niet gebruikt om hun modellen te trainen. Het risico dat u beheert is niet dat het model stilletjes uw data opzuigt. Het is veel gewoner — wie binnen uw eigen bedrijf nu vragen kan stellen die eerder niet konden, en of de antwoorden die zij krijgen kloppen.
Laatst bijgewerkt op 19 augustus 2026.
